Objavljeno 3. srpnja 2026.Aron Balog

Trebaju li hrvatski studenti učiti 'promptanje' ili nešto dublje?

Istraživanja kažu: promptanje je metakognicija u prerušenom obliku. Što fakulteti trebaju učiti kad Fable piše bolje od prosjeka.

Studenti dižu ruke tijekom rasprave na sveučilišnom predavanju

Na jednom zagrebačkom fakultetu ove se godine dogodila mala tiha revolucija: kolegij koji je 2024. učio studente "kako napisati dobar prompt" preimenovan je i prerađen — jer su modeli u međuvremenu postali toliko dobri da loš prompt više gotovo i ne postoji. Napišete zbrkanu rečenicu, Claude Fable 5 vas sam pita što ste mislili, predloži tri interpretacije i odradi posao.

Pa što onda studenti trebaju učiti? Odgovor koji se pomalja iz istraživanja objavljenih zadnjih godinu dana nije "ništa, AI će sve" — nego nešto zahtjevnije od promptanja.

Kratka povijest vještine koja je trajala tri godine

"Prompt engineering" je 2023. proglašen zanimanjem budućnosti, s natpisima o plaćama od 300.000 dolara. Do 2026. ta se priča izlizala — ali istraživačka literatura pokazuje da nije umrla, nego se transformirala.

Broj empirijskih studija o promptanju u visokom obrazovanju raste: sa 6 objavljenih 2024. na 9 u 2025., s nastavkom trenda u 2026. Svježa studija u British Educational Research Journalu pokazala je da strukturirana obuka iz promptanja studentima mjerljivo podiže samoefikasnost u radu s AI-jem i znanje o njemu. Scoping pregled u časopisu Computers and Education: Artificial Intelligence ide korak dalje s tezom koja zvuči paradoksalno: učiti promptanje zapravo znači učiti metakogniciju — razmišljanje o vlastitom razmišljanju.

Tu je ključ cijele rasprave. Kad student mora formulirati što točno želi od modela, mora prvo sebi razjasniti što uopće želi. Prompt je nusproizvod; razjašnjavanje je vještina.

Što je Fable promijenio u toj jednadžbi

Modeli nove generacije srušili su tehnički dio promptanja. Trikovi poput "razmišljaj korak po korak", magične formule i inženjerske fore — sve to danas radi model sam, bolje nego što bi korisnik znao tražiti. Anthropicovi podaci uz lansiranje Fablea 5 pokazuju model koji drži fokus kroz milijune tokena konteksta i sam planira višednevne zadatke.

Ali srušili su tehnički dio, ne kognitivni. Ono što je ostalo — i postalo vrjednije — jest ono što istraživači zovu specifikacija problema: znati što tražiš, po čemu ćeš prepoznati da je dobro, i što je prihvatljiva cijena greške. Studentu koji to zna, Fable je poluga kakvu nijedna generacija nije imala. Studentu koji to ne zna, Fable vraća uvjerljivo pogrešne radove koje ne zna prepoznati kao pogrešne.

Neugodan podatak koji visi nad svime

Ovu raspravu ne vodimo u vakuumu. Anthropicova analiza tržišta rada pokazala je da je zapošljavanje mladih od 22 do 25 godina u zanimanjima izloženima AI-ju usporilo za oko 14 posto — dok kod starijih kolega usporavanja nema. Poslodavci više ne plaćaju diplomu koja dokazuje da znate proizvesti tekst, kod ili analizu. To proizvodi pretplata od 20 dolara.

Za hrvatske studente to znači da se natječu na tržištu koje je pomaknulo ljestvicu: ulazna pozicija više nije "znam raditi", nego "znam organizirati i provjeriti rad". A to je, treba pošteno reći, viša ljestvica — i fakulteti koji studente i dalje ocjenjuju po produkciji sadržaja (eseji, seminarski, zadaće) treniraju ih za natjecanje koje je završilo.

Što bi se stvarno trebalo učiti — konkretno

Iz literature i iz prakse poslodavaca da se destilirati popis, i on je neugodno klasičan.

Prvo, domensko znanje — dublje, ne pliće. AI najviše pomaže onome tko najbolje razumije područje, jer jedino on može procijeniti izlaz. Ekonomist koji razumije monetarnu politiku izvući će iz Fablea analizu vrijednu objave; student koji je "prošao gradivo" izvući će uvjerljivu maglu. Ironija AI ere: temeljno znanje vrijedi više, ne manje.

Drugo, verifikacija kao refleks. Provjeriti izvor, prepoznati izmišljenu referencu, zatražiti protuargument, testirati rubni slučaj. ISTE-ov okvir digitalnog građanstva AI pismenost tretira kao temeljnu — a njen operativni dio je upravo sumnja s metodom.

Treće, pisanje — da, i dalje. Ne zato što ćete pisati umjesto AI-ja, nego zato što je pisanje treniranje mišljenja. Tko ne zna sročiti argument bez modela, ne zna ni procijeniti argument koji model vrati.

Četvrto, ono što se u studijama zove orkestracija: razlomiti velik problem na zadatke, delegirati ih (AI-ju ili ljudima), spojiti rezultate i potpisati cjelinu. To je vještina voditelja projekta — koja se sada traži od prvog dana karijere, ne od desete godine.

A promptanje? Učite ga usput, kao tipkanje

Vratimo se na početno pitanje. Trebaju li hrvatski studenti učiti promptanje? Da — otprilike onoliko koliko su prethodne generacije trebale učiti tipkanje: nužno, korisno, i potpuno nedovoljno kao karijerni plan.

Prava formula koju istraživanja podupiru glasi: promptanje kao ulazna točka u metakogniciju, domensko znanje kao temelj, verifikacija kao higijena, orkestracija kao cilj. Fakultet koji to posloži proizvodi ljude koje tržište s usporenim ulaznim zapošljavanjem i dalje grabi. Fakultet koji zabrani AI proizvodi ljude nespremne za prvi radni dan; fakultet koji ga nekritički dopusti proizvodi ljude koji nikad nisu naučili misliti bez njega. Uski je to prolaz — ali barem znamo gdje je.

Studenti, za kraj, jedan test koji možete napraviti večeras: zadajte Fableu esej iz svog kolegija, pa pokušajte napisati recenziju tog eseja — konkretnu, s argumentima gdje je površan, što je propustio, gdje bi ga profesor srušio. Ako recenziju ne znate napisati, upravo ste otkrili što vam fakultet stvarno treba dati. I to nije bolji prompt.

Izvori i dodatno čitanje

Više članaka

← Nazad na blog